Mô hình mạng nơ ron nhân tạo ANN trong dự báo độ lún các lớp đất của hầm metro

Từ khóa:

Dự đoán
mạng nơ ron nhân tạo (ANN)
lún mặt đất
hầm metro.

Tóm tắt:

Mạng nơ-ron nhân tạo (artificial neural network - ANN) đã được áp dụng thành công trong nhiều vấn đề của khoa học kỹ thuật. Bài báo này sẽ phát triển một mạng nơ-ron nhân tạo (ANN) để dự đoán độ lún của nhiều lớp đất theo thời gian của đường hầm metro. Độ chính xác của mô hình sẽ được đánh giá qua hai chỉ số: Hệ số tương quan (r) và căn bậc hai của độ lệch bình phương trung bình (RMSE). So sánh kết quả dự đoán và kết quả đo cho thấy: mạng nơ-ron nhân tạo (ANN) hoàn toàn có thể sử dụng để dự báo một lúc đồng thời độ lún của nhiều lớp đất theo thời gian – một điều khó khi sử dụng các phương pháp truyền thống.

Nội dung:

Tài liệu tham khảo:

1.   Caudill Maureen (1988). "Neural networks primer, Part III". AI Expert, 3 (6), pp 53-59.

2.   Goh ATC , Kulhawy FH, and Chua CG (2005). "Bayesian neural network analysis of undrained side resistance of drilled shafts". Journal Geotech Geoenviron Eng ASCE, 131 (1), pp 84-93.

3.   Goh ATC and Kulhawy FH (2003). "Neural network approach to model the limit state surface for reliability analysis".Can Geotech Jounal, 40 (6), pp 1235-1244.

4.   Hajihassani M, et al. (2019). "3D prediction of tunneling-induced ground movements based on a hybrid ANN and empirical methods". Engineering with Computers, pp 1-19.

5.   Hornik Kurt, Stinchcombe Maxwell, and White Halbert (1989). "Multilayer feedforward networks are universal approximators".Neural networks, 2 (5), pp 359-366.

6.   Kim Y and Kim B (2008). "Prediction of relative crest settlement of concrete-faced rockfill dams analyzed using an artificial neural network model". Comput Geotech, 35 (3), pp 313-322.

7.  Kung GT, et al. (2007). "A neural network approach to estimating deflection of diaphram walls caused by excavation in clays". Comput Geotech, 34 (5), pp 385-396.

8.   Maier HR and Dandy GC, Application of artificial neural networks to forecasting of surface water quality variables: issues, applications and challenges, in Artificial neural networks in hydrology. 2000, Springer. p. 287-309.

9.   Najjar YM and Basheer IA (1996). "Neural network approach for site characterization and uncertainty prediction". ASCE Geotechnical Special Publication, 58 (1), pp 134-148.

10.Rankine R and Sivakugan N (2005). "Prediction of paste backfill performance using artificial neural networks". in Proceedings of 16th international society for soil mechanics and foundation engineering. Osaka.

11.Rumelhart David E, Hinton Geoffrey E, and Williams Ronald J (1985), Learning internal representations by error propagation. California Univ San Diego La Jolla Inst for Cognitive Science.

12. Shahin MA, Jaksa MB, and Maier HR (2005). "Neural network based stochastic design charts for settlement prediction". Canadian Geotechnical Journal, 42 (1), pp 110-120.

13. Shahin Mohamed A (2010). "Intelligent computing for modeling axial capacity of pile foundations". Canadian Geotechnical Journal, 47 (2), pp 230-243.

14.Shang JQ, et al. (2004). "Detecting heavy metal contamination in soil using complex permittivity and artificial neural networks". Can Geotech Jounal, 41 (6), pp 1054–1067.

15. Shen Shui-Long, et al. (2014). "Long-term settlement behaviour of metro tunnels in the soft deposits of Shanghai". Tunnelling and Underground Space Technology, 40 pp 309-323.

16. Suwansawat Suchatvee and Einstein Herbert H (2006). "Artificial neural networks for predicting the maximum surface settlement caused by EPB shield tunneling".Tunnelling and underground space technology, 21 (2), pp 133-150.